小白学习PyTorch教程一PyTorch基本操作

Posted 2021-06-27 刘润森！

@Author：Runsen

文章目录

• 什么是 PyTorch？
• 张量
• 张量运算
• PyTorch 和 NumPy的转换
• AutoGrad

什么是 PyTorch？

这是一个基于Python的科学计算包，面向两组受众：

NumPy的替代品，以利用GPU的力量。
提供最大灵活性和速度的深度学习研究平台。

张量

张量类似于NumPy 的n 维数组，此外张量也可以在 GPU 上使用以加速计算。

让我们构造一个简单的张量并检查输出。首先让我们看看我们如何构建一个 5×3 的未初始化矩阵：

import torch
x = torch.empty(5, 3)
print(x)

输出如下：

tensor([[2.7298e+32, 4.5650e-41, 2.7298e+32],
        [4.5650e-41, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00]])

现在让我们构造一个随机初始化的矩阵：

x = torch.rand(5, 3)
print(x)

输出：

tensor([[1.1608e-01, 9.8966e-01, 1.2705e-01],
        [2.8599e-01, 5.4429e-01, 3.7764e-01],
        [5.8646e-01, 1.0449e-02, 4.2655e-01],
        [2.2087e-01, 6.6702e-01, 5.1910e-01],
        [1.8414e-01, 2.0611e-01, 9.4652e-04]])

直接从数据构造张量：

x = torch.tensor([5.5, 3])
print(x)

输出：

tensor([5.5000, 3.0000])

创建一个统一的长张量。

x = torch.LongTensor(3, 4)
x

tensor([[94006673833344,   210453397554,   206158430253,   193273528374],
        [  214748364849,   210453397588,   249108103216,   223338299441],
        [  210453397562,   197568495665,   206158430257,   240518168626]])

浮动张量。

x = torch.FloatTensor(3, 4)
x

tensor([[-3.1152e-18,  3.0670e-41,  3.5032e-44,  0.0000e+00],
        [        nan,  3.0670e-41,  1.7753e+28,  1.0795e+27],
        [ 1.0899e+27,  2.6223e+20,  1.7465e+19,  1.8888e+31]])

在范围内创建张量

torch.arange(10, dtype=torch.float)

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

重塑张量

x = torch.arange(10, dtype=torch.float) 
x

tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

使用 .view重塑张量。

x.view(2, 5)

tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])

-1根据张量的大小自动识别维度。

x.view(5, -1)

tensor([[0., 1.],
        [2., 3.],
        [4., 5.],
        [6., 7.],
        [8., 9.]])

改变张量轴

改变张量轴：两种方法view和permute

view改变张量的顺序，而permute只改变轴。

x1 = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
print("x1: \\n", x1)
print("\\nx1.shape: \\n", x1.shape)
print("\\nx1.view(3, -1): \\n", x1.view(3 , -1))
print("\\nx1.permute(1, 0): \\n", x1.permute(1, 0))


x1: 
 tensor([[1., 2., 3.],
        [4., 5., 6.]])

x1.shape: 
 torch.Size([2, 3])

x1.view(3, -1): 
 tensor([[1., 2.],
        [3., 4.],
        [5., 6.]])

x1.permute(1, 0): 
 tensor([[1., 4.],
        [2., 5.],
        [3., 6.]])

张量运算

在下面的示例中，我们将查看加法操作：

y = torch.rand(5, 3)
print(x + y)

输出：

tensor([[0.5429, 1.7372, 1.0293],
        [0.5418, 0.6088, 1.0718],
        [1.3894, 0.5148, 1.2892],
        [0.9626, 0.7522, 0.9633],
        [0.7547, 0.9931, 0.2709]])

调整大小：如果你想调整张量的形状，你可以使用“torch.view”：

x = torch.randn(4, 4)
y = x.view(16)
# 大小-1是从其他维度推断出来的
z = x.view(-1, 8) 
print(x.size(), y.size(), z.size())

输出：

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

PyTorch 和 NumPy的转换

NumPy 是Python 编程语言的库，增加了对大型、多维数组和矩阵的支持，以及对这些数组进行操作的大量高级数学函数集合。

将Torch中Tensor 转换为 NumPy 数组，反之亦然是轻而易举的！

Torch Tensor 和 NumPy 数组将共享它们的底层内存位置 ，改变一个将改变另一个。

将 Torch 张量转换为 NumPy 数组：

a = torch.ones(5)
print(a)

输出：tensor([1., 1., 1., 1., 1.])

b = a.numpy()
print(b)

输出：[1., 1., 1., 1., 1.]

让我们执行求和运算并检查值的变化：

a.add_(1)
print(a)
print(b)

输出：

tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

将 NumPy 数组转换为 Torch 张量：

import numpy as no
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

输出：

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

所以，正如你所看到的，就是这么简单！

接下来在这个 PyTorch 教程博客上，让我们看看PyTorch 的 AutoGrad 模块。

AutoGrad

该autograd包提供自动求导为上张量的所有操作。

它是一个按运行定义的框架，这意味着您的反向传播是由您的代码运行方式定义的，并且每次迭代都可以不同。

• torch.autograd.function （函数的反向传播）
• torch.autograd.functional （计算图的反向传播）
• torch.autograd.gradcheck （数值梯度检查）
• torch.autograd.anomaly_mode （在自动求导时检测错误产生路径）
• torch.autograd.grad_mode （设置是否需要梯度）
• model.eval() 与 torch.no_grad()
• torch.autograd.profiler （提供 function 级别的统计信息）

下面使用 Autograd 进行反向传播。

如果requires_grad=True，则 Tensor 对象会跟踪它是如何创建的。

x = torch.tensor([1., 2., 3.], requires_grad = True)
print('x: ', x)
y = torch.tensor([10., 20., 30.], requires_grad = True)
print('y: ', y)
z = x + y 
print('\\nz = x + y')
print('z:', z)

x:  tensor([1., 2., 3.], requires_grad=True)
y:  tensor([10., 20., 30.], requires_grad=True)

z = x + y
z: tensor([11., 22., 33.], grad_fn=<AddBackward0>)

因为requires_grad=True，z知道它是通过增加两个张量的产生z = x + y。

s = z.sum()
print(s)

tensor(66., grad_fn=<SumBackward0>)

s是由它的数字总和创建的。当我们调用.backward()，反向传播从s开始运行。然后可以计算梯度。

s.backward()
print('x.grad: ', x.grad)
print('y.grad: ', y.grad)

x.grad:  tensor([1., 1., 1.])
y.grad:  tensor([1., 1., 1.])

下面例子是计算log(x)的导数为1 / x

import torch
x = torch.tensor([0.5, 0.75], requires_grad=True)
# 1 / x 
y = torch.log(x[0] * x[1])
y.backward()
x.grad # tensor([2.0000, 1.3333])